复核人员应该重点抓什么
人审最有价值的地方，是抓具体风险：编造事实、越过政策、语气不对、结构损坏、不表达不确定性，以及公司没有批准的承诺。
- 先查来源依据，再看文字润色。
- 标记失败类型，方便后续改提示词和护栏。
- 重复失败要回到评测层处理，不只是改单条答案。
什么时候可以减轻复核
内部摘要、标签和低风险草稿，在 Agent 稳定后可以抽样复核。客户侧和监管敏感输出仍应有更强审查门槛。
一个有用指标
记录每条输出的修复时间。如果复核几乎等于重写，说明这个流程还没准备好自动化。
如何复用这套方法
评测方法可以被任何团队复用成小型内部评测。关键不是任务数量越多越好，而是任务必须覆盖真实工作、真实风险和真实输出格式。一个 30 条样本的认真评测，常常比 300 条泛泛 demo 更有价值。
- 先定义不可接受失败。
- 再准备代表性样本。
- 最后用同一规则比较候选 Agent。
证据应该怎样保存
建议保存原始输入、提示词版本、模型版本、运行日期、原始输出、人工评分和失败标签。这样后续模型变化、团队复盘或对外说明时，结果才可追溯。
上线前检查清单
把这套方法用于生产前，建议至少完成一次小规模复测。复测不需要复杂系统，但要覆盖真实输入、边界案例和失败后的处理方式。
- 是否有明确的人审和升级规则？
- 是否记录了模型版本和评测日期？
- 是否知道哪些输出不能直接发送或写入系统？
- 是否准备了失败后的回滚或人工接管方案？
读者可以马上做的下一步
如果你正在评估这套方法，可以从 10 条真实样本开始：3 条普通案例、3 条边界案例、2 条高风险案例、2 条格式或语言要求严格的案例。让 2 到 3 个候选 Agent 同场运行，再比较输出质量、修复时间和严重失败。